Baseline and Incremental：Instagram Feed 的基线与增量去偏¶

已实现评分算子，不新增或训练排名网络。仅为L1机制诊断，不是线上收益复现；完整私有日志、排名系统及线上消融成本过高，不复现（审查 DONE）。

论文信息¶

字段	内容
论文链接	arXiv v1；固定PDF
原文标题	Baseline and Incremental: User, Item, and Request Debiasing in Instagram Feed Ranking
公司 / 机构	一作Hsin-Chiang Chen：Meta；Hao Wang共同一作
首次公开日期	2026-10-20 00:20:04 UTC；10月21日公告
原作者代码	原论文与arXiv未发现作者实现仓库；不是开源生产模型
本地 adapter / 稳定键	`baseline-incremental`；`adapter: null`，独立CPU算子
本地复现代码	`src/auto_research/reproductions/baseline_incremental.py`；`scripts/run_oct21_ranking_components.py`
本地证据	三种子机制诊断

原始论文总结¶

背景与主要改动¶

参与度预测同时包含用户习惯、商品受欢迎程度、当前候选池水平和候选自身的相对优势。直接去掉基线可能丢失有用的绝对水平。论文保留原始预测，同时对相对基线的非线性增量单独加权；这是评分配置变化，不是因果uplift估计。

用户、商品基线来自历史特征，请求基线来自当前候选池。概率使用log-odds差，回归量使用同单位差；正向门和降权门的幅度不同，不能把乘预测值的正向门直接改符号用于降权，否则预测接近零时惩罚也消失。

flowchart LR
  P[已有参与度预测] --> R[保留原始项]
  B[用户/商品历史基线或请求统计] --> D[logit差或原单位差]
  P --> D
  D --> I[独立增量门/hinge]
  R --> V[两组独立权重的value model]
  I --> V

原论文关键图¶

原论文 Figure 1：已有预测分成原始项与独立增量项，基线分别来自用户、商品和请求。图片来自原论文，版权归原作者所有；由固定PDF第1页裁取，非本地效果图。

核心公式¶

\[ \Delta=m(p,b)[\sigma(kd(p,b))-\mathrm{shift}],\qquad V(c)=V_{other}(c)+w_rp(c)+w_i\Delta(c). \]

概率的比较量是logit(p)-logit(b)，回归量则为p-b。实现保留m=p、m=p-b与常数三种幅度，以及有限斜率和无穷斜率的精确分段极限。历史基线允许原特征超出概率范围，但在logit变换前必须显式clamp。常数降权是负常数乘反向门，不在预测地板消失；gap的无穷斜率形式分别得到正/负hinge。

论文离线与线上效果¶

Section6为真实线上四臂消融：none、raw、incremental、both，每臂3%流量，在12–17天实验中的共同7天窗口统计。Table5的请求p10s项，both相对none的feed time spent为+1.650%；这不等于“在已有raw上再提升1.650%”。论文对生产点做比较，单项权重没有重新调优，不能据此声称双项形式在任意调参预算下总优。

全流量部署见Section5。离线相关性只用于筛查信号，不应当成线上收益排名；低相关且稀疏的信号是未解析，不是无用。本地没有重建该离线筛查程序。

本地复现与边界¶

PYTHONPATH=src python scripts/run_oct21_ranking_components.py \
  --component baseline-incremental --device cpu --output runs/baseline-incremental-fresh.json

运行独立有理式参考、hinge与sigmoid区别、预测地板降权和移除增量项的排序负对照，seed42/43/44。输入为合成分数，不读取生产数据，不拟合或选择线上权重，不将数组排序改变解释为推荐提升。request_baseline只计算调用方指定的池内统计，不自行学会选择基线。

完整论文实验依赖数百万私有日志、真实排名预测与在线随机流量；本轮按资源门槛关闭，不伪造公共数据替代上线结论。不接入Evolve晋级。